Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference

技術要約：マルチフィデリティ・シミュレーションに基づく事後分布推論を用いた、100未満のシミュレーションによるフィールドレベルの弱重力レンズ宇宙論

問題提起
フィールドレベルの弱重力レンズ推論は、従来の2点統計量（例：パワースペクトル）よりも、宇宙剪断データから有意に多くの宇宙論的情報を抽出できる可能性を秘めている。しかし、そのポテンシャルを実現するには、フィールドレベルでの物理的なリアリズムが必要であり、そのためには高忠実度（high-fidelity）の$N$体シミュレーションが不可欠となる。シミュレーションに基づく推論（SBI）においては、正確な経験的密度モデリングとディープラーニングを用いたニューラル圧縮が通常数千の訓練用シミュレーションを必要とする一方で、高忠実度な$N$体シミュレーションをそれほどの量生成することは計算コスト的に極めて困難であるという大きなボトルネックが存在する。逆に、安価で低忠実度（low-fidelity）なシミュレーション（例：ログノーマル場）は、精密なフィールドレベル推論に必要な物理的リアリズムを欠いている。課題は、最小限の高忠実度シミュレーションの数を用いて、正確でよく較正された宇宙論的事後分布をどのように達成するかである。

手法
著者らは、低忠実度シミュレーションと高忠実度シミュレーションの間のギャップを埋めるために、転移学習を活用したマルチフィデリティSBIフレームワークを提案している。このアプローチは、以下の3つのコンポーネントで構成される。

1. シミュレーション・パイプライン:

   • 低忠実度: 著者らは、ダークマターの過密状態のログノーマルなランダム場を生成するGLASS（Generator for LArge Scale Structure）を用いて、約100,000個の模擬弱重力レンズ観測データを生成した。これらは、フォトメトリック赤方偏移の不確実性、固有整列（NLA-Mモデル）、および形状ノイズを含む、KiDS-Legacyサーベイの特性を模倣するように処理されている。
   • 高忠実度: 少数の模擬観測データは、Gower Street $N$体シミュレーション・スイート（重力のみ、全天）を用いて生成された。これらは、同一のフォワードモデリング・パイプラインを通じて処理された、物理的に現実的な物質シェルの提供を行う。
   • データ拡張: 限られた高忠実度シミュレーションの有用性を最大化するため、著者らは広範なデータ拡張を適用している。具体的には、基礎となる物質場を回転させ、ニュ一サンスパラメータを変化させることで、1つの宇宙論的シミュレーションボックスあたり80個の擬似的な独立したKiDS-Legacy風フットプリントを生成している。

2. ニューラルアーキテクチャと訓練:

   • ハイブリッド学習圧縮: 2点統計量（疑似$C_\ell$バンドパワー）とフィールドレベルのデータ（収束マップ $\kappa$）を共同で処理するニューラル圧縮ネットワークを設計した。
     • ステージI: フィードフォワードネットワークがバンドパワーデータを圧縮する。
     • ステージII: 畳み込みニューラルネットワーク（CNN）が収束マップを処理する。ステージIの出力は固定され、CNNの出力と結合されて最終的な要約統計量を形成する。これにより、ネットワークは2点統計量ですでに捉えられている情報を失うことなく、2点統計を超えた情報を学習することが保証される。
   • マルチフィデリティ転移学習:
     • 事前学習: 圧縮ネットワークとニューラル密度推定（NDE）ヘッドは、大規模な低忠実度（GLASS）データセットを用いて、変分相互情報量最大化（VMIM）を用いて事前学習される。
     • ファインチューニング: 事前学習されたモデルに対して、(i) 圧縮器を固定してNDEヘッドのみをファインチューニングする、および (ii) すべての重みをファインチューニングする（"finetune all"）、という2つの戦略を検討している。
   • 推論手法: 本フレームワークは、事後分布を直接学習する**ニューラル事後分布推定（NPE）と、柔軟な事前分布（例：KiDS-Legacy特有の事前分布）を可能にするために代理尤度を学習するニューラル尤度推定（NLE）**の両方をサポートしている。
   • アンサンブル: 低データ領域における較正エラーを軽減するため、異なるデータ分割を用いてファインチューニングされたモデルの複数のインスタンスを訓練し、その予測を平均化するモデルアンサンブルを採用している。

主な貢献

• マルチフィデリティNLE: 本研究は、高忠実度のシミュレーションによる事前分布を解析から分離する、宇宙論的フィールドレベル推論のための初のマルチフィデリティ・ニューラル尤度推定のデモンストレーションを提示している。
• シミュレーション効率: 著者らは、高忠実度の$N$体シミュレーションをわずか60〜100個使用することで、標準的な単一フィデリティのSBIアプローチと比較して計算コストを桁違いに削減しつつ、正確なフィールドレベルの宇宙論的推論が可能であることを示している。
• ハイブリッド学習スキーム: 2点圧縮を凍結した状態でフィールドレベルの訓練を行うハイブリッド学習アプローチの導入が、効率的な収束と最適な情報抽出に極めて重要であることが示された。
• アンサンブル較正: 高い信頼性を持つ事後分布を得るためには、高忠実度訓練シミュレーションの数が非常に少ない場合（$N < 100$）、モデルアンサンブルが必須であることを本研究は確立している。

結果

• 情報抽出: 転移学習モデルは、たとえ $N \le 100$ のシミュレーションであっても、高い相互情報量（MI）と制約力（Figure of Merit, FoM）を達成する。具体的には、$N=10$ のシミュレーションのみでファインチューニングされたアンサンブルは、ゼロから訓練された $N=530$ のシミュレーションを用いるモデルよりも多くの情報を抽出する（ただし、前者はまだ十分に較正されていない）。
• 較正: 単一モデルの転移学習は、低い $N$ においてわずかな過剰適合（過信）を示すが、モデルアンサンブルはこれを克服し、$N=60$ のシミュレーションで許容可能なカバレッジを達成する。
• 制約力:
  • マルチフィデリティのアプローチは、$\Omega_m$ および $\sigma_8$ に関して、2点統計のみの解析よりも約3.5倍、また全データセット（$N=530$）を用いた高忠実度単一フィデリティのフィールドレベル解析よりも約15%タイトな制約を与える。
  • 決定的なことに、マルチフィデリティのアプローチは、ダークエネルギーの状態方程式パラメータ $w$ に対する意味のある制約を可能にする。これは、高忠実度単一フィデリティのモデルでは全データセットを用いても制約が困難であったパラメータである。著者らは、この理由を、低フィデリティのログノーマルシミュレーション（HMcode-2020経由）にエンコードされた解析的な $w$ への依存性が、ファインチューニング中に保持・適応されたためであると考えている。
• NLEの性能: マルチフィデリティNLEモデルは、NPEと同等の正確な事後分布を生成するが、わずかな過剰適合を示す。しかし、これは軽微な影響（従来のガウス近似尤度による不確実性と同程度）であり、アンサンブルによって軽減可能である。

意義と主張
本論文は、マルチフィデリティSBIが、現実的な計算制約下でのフィールドレベルの宇宙論的解析に対する実用的かつシミュレーション効率の高い経路を提供することを主張している。転移学習を活用することで、著者らは以下を実証した：

1. 安価なシミュレーションから高度に情報量の多い（2点統計を超える）圧縮スキームを学習し、わずか $O(10)$ の大規模ボリューム $N$ 体シミュレーションを用いて高忠実度データに適応できること。
2. 60〜100個の高忠実度シミュレーションを用いて、正確でよく較正された推論（現在の最もタイトな弱重力レンズの制約に匹敵するもの）が可能であること。
3. 低フィデリティの事前学習が、単一フィデリティの手法では到達できないような $w$ といったパラメータへの制約を可能にするなど、解析能力を質的に向上させ得ること。

著者らは、これらの結果が模擬データを用いた概念実証であることを強調している。実データへの適用には、未モデル化の物理（例：バリオンフィードバック）や系統誤差に関するさらなる検証が必要であるが、本フレームワークは、次世代の宇宙論的推論に、より現実的な物理を組み込むための柔軟な道筋を提供するものである。